电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

电力大数据下的短期电力负荷预测

电力产业是国民工业系统中重要的产业。在电网运行管理中,对于负荷预测具有非常重要的作用。更加准确的电力负荷预测可以为电网的安全稳定运行、实时进行电网负荷的调度提供了重要依据。特别是在经济方面,精确的电力负荷预测可以优化发、用电电网调度计划,合理调度和分配资源,从而起到使社会效益、经济效益最大化的作用。然而随着中国经济的飞速发展,对电力的需求不断增长,电力负荷本身受诸多因素以及政策影响比如日期、天气、气候、市场等其他因素,这些因素更大大加大了准确进行电力负荷预测的困难性。一直以来,人们一直都致力于提高电力负荷预测的准确性,人工神经网络算法具有泛化、学习能力强等优点,现在该算法已在电力负荷预测领域中得到了广泛应用,并且取得了良好的效果。近年来,人工神经网络领域取得重大突破,涌现出一个新的深度学习研究领域。本文就是基于最新发展的人工神经网络算法,结合实际地区电网数据研究了短期电力负荷预测的相关问题。     

基于改进数据子空间算法的电力负荷预测问题

针对电力负荷进行准确预测对于电力系统的稳定运行具有重要的意义.利用传统的数据子空间算法进行电力负荷预测的过程中,由于没有考虑电力系统的非线性和时变性,导致预测精确度较低.为此,提出一种基于改进数据子空间算法的电力负荷预测方法,在电力负荷预测子空间方程式中加入反馈因子,在电力负荷历史数据中加入遗忘因子,利用粒子群算法对两种反馈因子和遗忘因子进行寻优,并将寻优结果带入到改进的电力负荷子空间预测模型中进行计算,从而获得准确的预测结果.实验结果表明,利用改进算法进行电力负荷预测,能够提高预测精度,效果令人满意.     

数据挖掘及其在电力负荷预测中的应用

电力负荷预测作为电力生产部门的重要工作之一,是根据电力负荷历史数据和其他各类相关影响因素进行预测的,因此,其预测精确度很大程度上取决于历史数据的准确程度.数据挖掘为分析各种海最的、复杂的、含有噪声的数据提供了新的方法.针对电力系统的基本特征,提出一种基于最优区间分割和单调递减阈值函数的聚类方法,然后应用Kohonen网提取相关负荷的特征曲线,并将其用于不良数据的校正.通过对电力负荷的仿真分析验证了该算法的有效性.     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

电力系统短期电力负荷预测仿真研究

在短期电力负荷准确预测的研究中,由于模型存在随机、时变、非线性等特点,用传统的神经网络进行预测结果往往不是很理想.为了提高预测的准确率,在建模之前,先通过相似日法选出与预测日总体相似度较高的负荷数据作为输入数据,提高待预测数据与训练数据之间的相关性.然后通过动态模糊神经网络来进行预测.减小建模的复杂性并提升建模速度.最后用EUNITE提供的电力负荷数据来进行仿真,仿真表明相似日和动态模糊神经网络结合的方法预测结果较为理想,提高了预测的准确率.     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

基于优化决策树的短期电力负荷预测

电力负荷预测是一项重要和具有挑战性的工作.从寻求准确预测电力系统负荷的目的出发,提出了基于优化决策树的短期负荷预测新方法,有效地考虑了非负荷因素对短期负荷预测的影响.文中先将样本数据进行预处理,利用粗糙集理论对决策树的测试属性进行优化约简,然后建立了短期负荷预测的决策树模型.良好的实例分析效果说明,该方法可提高短期负荷预测的精度,具有实用性和优越性.     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广。在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素。针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段：第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷的波动性特征,对总体趋势进行修正,进一步提升预测的准确度。在某地区连续五年的电力负荷数据集上进行了实验验证,结果表明级联LSTM模型能够大幅降低预测误差。该模型可以为分布式光伏电站提供较为准确的负荷预测,能够为其智慧运维服务提供重要支持。